Question

我有一个数据框 gi_man_df ，其中group可以 n ：

+------------------+-----------------+--------+--------------+
|           group  |           number|rand_int|   rand_double|
+------------------+-----------------+--------+--------------+
|          'GI_MAN'|                7|       3|         124.2|
|          'GI_MAN'|                7|      10|        121.15|
|          'GI_MAN'|                7|      11|         129.0|
|          'GI_MAN'|                7|      12|         125.0|
|          'GI_MAN'|                7|      13|         125.0|
|          'GI_MAN'|                7|      21|         127.0|
|          'GI_MAN'|                7|      22|         126.0|
+------------------+-----------------+--------+--------------+

我期待一个numpy nd_array，即 gi_man_array ：

[[[124.2],[121.15],[129.0],[125.0],[125.0],[127.0],[126.0]]]

应用数据透视后的rand_double值。

我尝试了以下两种方法：
第一：我按如下方式转动gi_man_df：

gi_man_pivot = gi_man_df.groupBy("number").pivot('rand_int').sum("rand_double")

我得到的输出是：

Row(number=7, group=u'GI_MAN', 3=124.2, 10=121.15, 11=129.0, 12=125.0, 13=125.0, 21=127.0, 23=126.0)

但这里的问题是获得所需的输出，我无法将其转换为矩阵然后再转换为numpy数组。

SECOND： 我使用以下方法在数据框中创建了向量：

assembler = VectorAssembler(inputCols=["rand_double"],outputCol="rand_double_vector")

gi_man_vector = assembler.transform(gi_man_df)
gi_man_vector.show(7)

我得到了以下输出：

+----------------+-----------------+--------+--------------+--------------+
|           group|           number|rand_int|   rand_double| rand_dbl_Vect|
+----------------+-----------------+--------+--------------+--------------+
|          GI_MAN|                7|       3|         124.2|       [124.2]|
|          GI_MAN|                7|      10|        121.15|      [121.15]|
|          GI_MAN|                7|      11|         129.0|       [129.0]|
|          GI_MAN|                7|      12|         125.0|       [125.0]|
|          GI_MAN|                7|      13|         125.0|       [125.0]|
|          GI_MAN|                7|      21|         127.0|       [127.0]|
|          GI_MAN|                7|      22|         126.0|       [126.0]|
+----------------+-----------------+--------+--------------+--------------+

但问题是我无法在 rand_dbl_Vect 上转动它。

所以我的问题是：
1.两种方法中的任何一种是否是达到所需输出的正确方法，如果是，那么我该如何进一步获得所需的结果呢？
2.我可以采用哪种其他方式，以便代码最佳，性能良好？

Answer 1

此

import numpy as np
np.array(gi_man_df.select('rand_double').collect())

生成

array([[ 124.2 ],
       [ 121.15],
       .........])

从Pyspark Dataframe中提取numpy数组

1 个答案: